Portare le strategie sui dati al successo è sufficientemente impegnativo anche senza doversi imbattere in errori tattici che possono far deragliare le operation e i risultati.
Le imprese non si possono permettere di commettere errori nelle proprie strategie sui dati, perché la posta in gioco nell’economia digitale è troppo alta.
Il modo in cui raccolgono, archiviano, ripuliscono, proteggono e accedono ai loro dati può essere un fattore importante per la loro capacità di raggiungere gli obiettivi di business. Purtroppo, la strada verso il successo di questa strategia è irta di difficoltà, le quali costringono i CIO e gli altri leader tecnologici a pianificare ed eseguire il tutto con attenzione.
Ecco alcuni errori che i leader IT farebbero bene a evitare.
Trascurare la mission aziendale
Creare una strategia sui dati senza tenere conto degli obiettivi aziendali generali è un ottimo modo per arrivare al fallimento. D’altra parte, che senso ha investire tempo e denaro in tattiche non focalizzate?
“Costruire, su larga scala, una strategia di successo per i dati va oltre la raccolta e l’analisi”, dice Ryan Swann, chief data analytics officer della società di servizi finanziari Vanguard. “Senza un approccio mission oriented, può risultare particolarmente difficile dare priorità alle iniziative sui dati, allocare le risorse in modo efficiente e promuovere una forza lavoro che abbia una chiara comprensione di come la propria attività abbia un impatto reale sui risultati aziendali”.
In Vanguard, “i dati e le analisi ci consentono di adempiere alla nostra mission che riguarda il fornire agli investitori le migliori possibilità di successo negli investimenti, permettendoci di raccogliere informazioni utili per offrire esperienze personalizzate ai clienti, scalare la consulenza, ottimizzare gli investimenti e le operation aziendali, e ridurre i rischi”, precisa Swann.
Per garantire che la strategia soddisfi gli obiettivi dell’azienda, è necessario avere una data stewardship che assicuri dati organizzati, accessibili e di alta qualità, sempre a disposizione delle parti interessate.
“Le aziende spesso mettono in funzione servizi e applicazioni senza averne messo in atto la gestione”, osserva Marc Johnson, CISO e consulente senior di Impact Advisors, una società di consulenza per la gestione del settore sanitario. “Come per il disaster recovery, la continuità operativa e la sicurezza delle informazioni, la strategia dei dati deve essere ben ponderata e definita per supportare il tutto, fornendo, al contempo, una base da cui partire per costruire un business solido”.
Sottovalutare i dati non strutturati
Che si tratti di testo, video, audio, social media, immagini o altri formati, la gran parte dei dati che le imprese accumulano è non strutturate.
Queste risorse informative possono avere un valore enorme per le aziende [in inglese], consentendo loro di acquisire nuove conoscenze sui clienti e sulle tendenze del mercato. Trascurare queste risorse è un grave errore.
“L’uso corretto dei dati non strutturati diventerà sempre più importante per i responsabili IT”, sottolinea Kevin Miller, CTO di IFS, società di sviluppo software per le aziende. “Non sarà qualcosa che potranno ignorare. L’utilizzo dei dati non strutturati per ottenere informazioni utili sarà un compito cruciale per i leader IT che desiderano promuovere l’innovazione e creare ulteriore valore”.
Secondo Miller, una delle chiavi per trarre vantaggio dai dati non strutturati è definire obiettivi chiari. “In che modo contribuiranno alla crescita del fatturato o del mercato, all’aumento dell’efficienza dei costi o ad altri risultati strategici? Questa fase garantisce che gli sforzi siano allineati con gli obiettivi e che gli insight risultanti siano utilizzabili”.
È inoltre fondamentale identificare e valutare quali fonti di dati non strutturati forniranno il valore e gli approfondimenti maggiori. “Il valore dei dati non strutturati può evolvere nel tempo, via via che le condizioni aziendali cambiano e si rendono disponibili nuove fonti”, sottolinea Miller. “I responsabili IT devono stabilire un processo di monitoraggio e miglioramento continuo per garantire che gli insight rimangano utilizzabili e pertinenti, implementando cicli di revisione regolari per valutare l’efficacia di quelli che derivano dai dati non strutturati”.
È inoltre necessario stabilire politiche chiare in materia di privacy, conformità alle normative e governance dei dati [in inglese]. “Molti settori e aree geografiche hanno normative severe che regolano la privacy e la sicurezza dei dati”, continua Miller. “Stabilire regole di governance dei dati aiuta le aziende a rispettare queste normative, riducendo il rischio di sanzioni legali e finanziarie, e può anche aiutare a garantire la qualità dei dati, definendo standard per la raccolta, l’archiviazione e la formattazione, a tutto vantaggio dell’accuratezza e dell’affidabilità delle analisi”.
La creazione di silos di dati
La negazione dell’accesso alle informazioni da parte degli utenti aziendali a causa dei silos di dati è un problema che si trascina da anni. Quando i reparti, le unità aziendali o i gruppi di lavoro più vari conservano i dati in sistemi non accessibili agli altri, il valore dei dati diminuisce.
I silos causano incoerenze e inefficienze operative, spiega John Williams, direttore esecutivo dei dati aziendali e delle analisi avanzate di RaceTrac, che opera nel settore dei discount.
Con quasi 800 sedi, RaceTrac gestisce un volume notevole di dati, che comprende 260 milioni di transazioni all’anno, oltre ai dati provenienti dalle telecamere dei negozi e dai dispositivi IoT (Internet of Things) incorporati nelle pompe di carburante.
“Questo scenario ha portato allo sviluppo di formule, processi e definizioni diverse per la gestione dei report, all’interno di ogni unità aziendale e di ogni dipartimento, generando così conclusioni e intuizioni diverse a partire dagli stessi set”, aggiungere Williams.
Per abbattere i silos [in inglese], l’azienda ha creato un ambiente unificato che integra i dati tra i vari sistemi per la loro condivisione in tutta l’azienda. “L’implementazione di un sistema centralizzato di gestione e l’incoraggiamento della comunicazione interdipartimentale svolgeranno un ruolo fondamentale nel garantire la coerenza e l’accessibilità di dati affidabili in tutta l’impresa”, evidenzia Williams.
RaceTrac sta sfruttando la Data Intelligence Platform di Alation per centralizzare i dati e fornire analisi self-service agli utenti, se necessario.
Decentrare i team di dati
Analogamente alla creazione di silos, il decentramento dei team di dati può creare problemi alle organizzazioni e diminuire il valore.
“Una struttura che lavora con dati isolati può essere particolarmente problematica per le aziende che cercano di sviluppare e scalare una strategia efficace che porti a risultati di business”, riflette Swann di Vanguard. “Piuttosto, può essere sensato strutturare i team in modo che siano centralizzati dal punto di vista organizzativo [e] fisicamente co-locati, con obiettivi allineati al business stesso”.
Questo approccio contribuisce a creare un ecosistema di dati unificato che consente la loro integrazione, la loro condivisione e la loro collaborazione in tutta l’azienda.
“La stretta collaborazione tra i professionisti dei dati e l’impresa fornisce, inoltre, informazioni preziose e continue, perfeziona i processi, crea efficienza e riduce l’attrito nelle aree operative-chiave”, prosegue Swann. “Questo tipo di ambiente può essere anche molto gratificante per i professionisti dei dati e delle analytics”.
Ignorare la governance dei dati
La governance dovrebbe essere al centro di qualsiasi strategia sui dati. Quando non lo è, le conseguenze si possono riflettere sulla scarsa qualità dei dati, sulla mancanza di coerenza e sulla non conformità alle normative.
“Mantenere la qualità e la coerenza rappresenta un ostacolo da superare in assenza di un approccio standardizzato alla gestione dei dati”, racconta Williams. “Prima di incorporare Alation in RaceTrac, abbiamo lottato contro questi problemi, con il risultato di produrre una mancanza di fiducia nei dati, nonché sforzi ridondanti che hanno ostacolato il processo decisionale data-driven”.
Secondo Williams, le aziende devono creare un solido quadro di governance dei dati e ciò comporta l’assegnazione dei responsabili, la definizione trasparente della loro proprietà, e l’implementazione di linee guida per la loro accuratezza, accessibilità e sicurezza.
L’impiego di piattaforme di data intelligence specifiche per il lineage, la governance e la collaborazione dei dati “può garantire che tutti i membri dell’azienda si affidino a una fonte di verità affidabile per le analisi e i report”, evidenzia Williams.
L’utilizzo di dati di scarsa qualità
I dati sono davvero preziosi per un’azienda soltanto se sono accurati; in caso contrario, possono portare a decisioni sbagliate e perfino compromettere la customer experience.
I dati “sporchi” o di scarsa qualità sono il problema principale dell’IA, secondo Johnson di Impact Advisor. “L’IA generativa ne è un ottimo esempio”, afferma. “I loro Large Language Model hanno dati poveri o sporchi. La prova è nella produzione di fonti e fatti ‘inventati’ che citano in risposta alle richieste”.
Gli strumenti di pulizia dei dati sono un modo per affrontare il problema, dice Johnson. “Tuttavia, il problema si riduce a una strategia ben studiata, con un modello di dati comune” per entità, attributi, relazioni, tipi di dati, vincoli, gerarchie e così via.
Mancanza di visibilità sui dati in tempo reale
In assenza della capacità di sfruttare i dati in tempo reale, le aziende possono perdere l’opportunità di adattarsi ai cambiamenti della domanda dei clienti e di fornire loro una migliore esperienza d’uso.
“Nel panorama del business in così rapida evoluzione, la capacità di accedere e comprendere tempestivamente i dati in realt-time è fondamentale e fornisce alle aziende un vantaggio competitivo”, tiene a precisare Williams di RaceTrac.
Senza una prospettiva completa sui dati organizzativi, diventa difficile discernere il loro scopo, determinarne l’accuratezza, migliorarne la qualità e identificare le ridondanze, aggiunge il manager. E ciò può portare all’utilizzo di dati inaffidabili, inferiori agli standard o obsoleti nel processo decisionale.
“Trasformare dati affidabili in una risorsa che abbraccia l’intera azienda richiede che chi li utilizza abbia una comprensione approfondita dell’intero loro ciclo di vita all’interno dell’azienda”, prosegue. Dopo la trasformazione dei dati di RaceTrac, “abbiamo ottimizzato la conformità alle normative, semplificato l’analisi dell’impatto e siamo in grado di notificare tempestivamente agli stakeholder le modifiche dei dati a monte in tempo reale”, conclude Williams. “Questo consente agli utenti di prendere decisioni basate sui dati e real-time con maggiore sicurezza”.
Trascurare i background alternativi nell’acquisizione dei talenti
Le imprese hanno bisogno di professionisti con esperienza nel campo dei dati, e per occupare le posizioni che contribuiscono all’esecuzione delle relative strategie potrebbe essere opportuno ampliare il bacino dei candidati.
“Le aziende che limitano la ricerca di talenti nel campo dei dati e dell’analisi a coloro che hanno una vasta esperienza di codifica o di programmazione possono avere difficoltà a costruire una strategia di dati efficace”, sostiene Swann di Vanguard.
“I team eterogenei sono associati a una maggiore innovazione, a un processo decisionale più informato, a una più ampia possibilità di risolvere i problemi e a una migliore comprensione delle esigenze e delle preferenze dei clienti”, afferma Swann. “Per questo motivo, un approccio unico ai talenti nel campo dei dati e dell’analisi può ostacolare la collaborazione, la diversità di pensiero e l’aumento delle prestazioni”.
Vanguard assume persone di ogni provenienza per il suo Chief Data and Analytics Office, compresi alcuni che hanno studiato matematica, inglese e business ad alto livello, conclude Swann.
>>> Read full article>>>
Copyright for syndicated content belongs to the linked Source : CIO – https://www.cio.com/article/1302643/8-errori-da-evitare-nelle-strategie-sui-dati.html
